新研究探讨随机超梯度法在变分不等式中的应用

研究人员发表了一篇新论文，详细介绍了在解决单调变分不等式问题方面，随机超梯度（SEG）方法的进展。该研究填补了对同一样本（S-SEG）和独立样本（I-SEG）变体行为理解上的空白，特别是在无界域或样本Lipschitz参数变化的情况下。研究结果表明，S-SEG可能对样本Lipschitz参数敏感，并且像均值Lipschitz性或有界方差等标准假设不足以在所有情况下保证收敛。该论文还建立了在宽松条件下，两种SEG变体的高概率受限差距收敛性，并证明了某些保证I-SEG收敛的步长策略可能在S-SEG上失效。 AI

影响 推进了与机器学习相关的优化算法的理论理解。

排序理由 该集群包含一篇在arXiv上发表的学术论文，详细介绍了优化算法方面的新理论发现。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Independent-Sample Stochastic Extragradient
• Influence Flower
• Same-Sample Stochastic Extragradient
• ScienceCast
• Stochastic Extragradient

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →